Central A2UI evaluation harness

Central A2UI evaluation harness and data points covering top use cases and models, to allow us to make further data-driven optimizations. See [A2UI Inference Performance Project Scope](https://docs.google.com/document/d/1BDILK5Wktik1Pce_pjPBdRoVTWWJQSx9y7gJvObwy4c/edit?tab=t.0) (internal Google document)

该 issue 引用了一个内部 Google 文档来说明 scope，但该文档无法访问。没有该文档，具体需求、入口点或现有评估代码都是未知的。newcomer 需要理解 A2UI 项目的架构、现有 inference pipelines，并定义要评估哪些 metrics 和 models。先在 repository 中查找现有的评估脚本或 benchmarks。

由索引模型根据 Issue 内容生成。